Phiên bản ngắn:
Tôi có một chuỗi thời gian của dữ liệu khí hậu mà tôi đang thử nghiệm cho sự ổn định. Dựa trên nghiên cứu trước đây, tôi hy vọng mô hình bên dưới (hoặc "tạo ra", có thể nói) dữ liệu có thuật ngữ chặn và xu hướng thời gian tuyến tính tích cực. Để kiểm tra các dữ liệu này cho sự ổn định, tôi có nên sử dụng thử nghiệm Dickey-Fuller bao gồm xu hướng chặn và thời gian, tức là phương trình # 3 không?
Hoặc, tôi có nên sử dụng thử nghiệm DF chỉ bao gồm một đánh chặn bởi vì sự khác biệt đầu tiên của phương trình mà tôi tin là làm cơ sở cho mô hình chỉ có một đánh chặn?
Phiên bản dài:
Như đã nêu ở trên, tôi có một chuỗi thời gian của dữ liệu khí hậu mà tôi đang thử nghiệm cho sự ổn định. Dựa trên nghiên cứu trước đây, tôi hy vọng mô hình bên dưới dữ liệu sẽ có thuật ngữ chặn, xu hướng thời gian tuyến tính tích cực và một số thuật ngữ lỗi được phân phối thông thường. Nói cách khác, tôi hy vọng mô hình cơ bản trông giống như thế này:
trong đó thường được phân phối. Vì tôi giả sử mô hình cơ bản có cả xu hướng chặn và xu hướng thời gian tuyến tính, tôi đã thử nghiệm cho một đơn vị gốc với phương trình # 3 của thử nghiệm Dickey-Fuller đơn giản, như được hiển thị:
Thử nghiệm này trả về một giá trị quan trọng sẽ khiến tôi từ chối giả thuyết khống và kết luận rằng mô hình cơ bản là không cố định. Tuy nhiên, tôi hỏi nếu tôi áp dụng này một cách chính xác, vì mặc dù các mô hình cơ bản được giả định có một đánh chặn và một xu hướng thời gian, điều này không có nghĩa là sự khác biệt đầu tiên sẽ là tốt. Thực tế hoàn toàn ngược lại, nếu toán học của tôi đúng.
Mô hình tính toán sự khác biệt đầu tiên dựa trên phương trình của giả định cơ bản cung cấp cho:
Vì vậy, sự khác biệt đầu tiên dường như chỉ có một đánh chặn, không phải là một xu hướng thời gian.
Tôi nghĩ rằng câu hỏi của tôi tương tự như câu hỏi này , ngoại trừ tôi không chắc làm thế nào để áp dụng câu trả lời đó cho câu hỏi của mình.
Dữ liệu mẫu:
Đây là một số dữ liệu nhiệt độ mẫu mà tôi đang làm việc.
64.19749
65.19011
64.03281
64.99111
65.43837
65.51817
65.22061
65.43191
65.0221
65.44038
64.41756
64.65764
64.7486
65.11544
64.12437
64.49148
64.89215
64.72688
64.97553
64.6361
64.29038
65.31076
64.2114
65.37864
65.49637
65.3289
65.38394
65.39384
65.0984
65.32695
65.28
64.31041
65.20193
65.78063
65.17604
66.16412
65.85091
65.46718
65.75551
65.39994
66.36175
65.37125
65.77763
65.48623
64.62135
65.77237
65.84289
65.80289
66.78865
65.56931
65.29913
64.85516
65.56866
64.75768
65.95956
65.64745
64.77283
65.64165
66.64309
65.84163
66.2946
66.10482
65.72736
65.56701
65.11096
66.0006
66.71783
65.35595
66.44798
65.74924
65.4501
65.97633
65.32825
65.7741
65.76783
65.88689
65.88939
65.16927
64.95984
66.02226
66.79225
66.75573
65.74074
66.14969
66.15687
65.81199
66.13094
66.13194
65.82172
66.14661
65.32756
66.3979
65.84383
65.55329
65.68398
66.42857
65.82402
66.01003
66.25157
65.82142
66.08791
65.78863
66.2764
66.00948
66.26236
65.40246
65.40166
65.37064
65.73147
65.32708
65.84894
65.82043
64.91447
65.81062
66.42228
66.0316
65.35361
66.46407
66.41045
65.81548
65.06059
66.25414
65.69747
65.15275
65.50985
66.66216
66.88095
65.81281
66.15546
66.40939
65.94115
65.98144
66.13243
66.89761
66.95423
65.63435
66.05837
66.71114